pandas 操作及数据库1

pandas中的数据类型

pandas中的数据简单的认为只有下面这两种

　　一维Series

　　二维DataFrame

这两种数据类型都有map和apply方法

　　1.Series: apply和map

　　2.DataFrame: apply

　　Series.map
　　Series.map(arg)

　　传入的arg : 操作函数、字典或Series

　　返回Series

import pandas as pd
import numpy as np
s = pd.Series(['cat', 'dog', np.nan, 'rabbit'])
print(type(s))
s　
<class 'pandas.core.series.Series'>
　　0 cat
　　1 dog
　　2 NaN
　　3 rabbit
　　dtype: object
　　s.map({'cat':'kitten',
　　'dog':'puppy'})
　　0 kitten
　　1 puppy
　　2 NaN
　　3 NaN
　　dtype: object

 

Series.apply
Series.apply(func, args, **kwds)

func : 函数、字典或Series

args: func函数的顺序参数， 元组类型

kwds: func函数的关键词参数，字典类型

返回Series或DataFrame

 

import pandas as pd
s = pd.Series([20, 21, 12],
index=['London', 'New York', 'Helsinki'])
s
London 20
New York 21
Helsinki 12
dtype: int64

操作函数只有一个输入，一个输出

import pandas as pd
s = pd.Series([20, 21, 12],
index=['London', 'New York', 'Helsinki'])
def func1(x):
return x**2
s.apply(func1)
London 400
New York 441
Helsinki 144
dtype: int64

我们定义的操作函数，其输入和输出都是一个元素。这时候series.map和series.apply功效相同。

我们再看看操作函数输入一个，输出series（相当于多个元素）时，series的map和apply是否有区别

import pandas as pd
s = pd.Series([20, 21, 12],
index=['London', 'New York', 'Helsinki'])
def func2(x):
return pd.Series([x, x])
s.map(func2)
London 0 20
1 20
dtype: int64
New York 0 21
1 21
dtype: int64
Helsinki 0 12
1 12
dtype: int64
dtype: object

　　

import pandas as pd
s = pd.Series([20, 21, 12],
index=['London', 'New York', 'Helsinki'])
def func3(x):
return pd.Series([x, x])
s.apply(func3)

0 1
London 20 20
New York 21 21
Helsinki 12 12

　　

DataFrame.apply()
apply(func, axis=0, args, kwds)

func: 操作函数

axis: 操作的方向，默认列方向axis=0。行方向操作axis=1

args: func的顺序参数，元组数据类型

kwds: func的关键词参数，字典数据类型

import pandas as pd
df = pd.DataFrame([[4, 9], [3, 2], [5, 7]],
columns=['a', 'b'])
df

a b
0 4 9
1 3 2
2 5 7
def func4(row):
return row[0]+row[1]
df.apply(func4, axis=1)
0 13
1 5
2 12
dtype: int64
def func5(x):
return x+1
df.apply(func5, axis=1)

a b
0 5 10
1 4 3
2 6 8
df.apply(lambda x: x.max()+x.min())
a 8
b 11
dtype: int64
df.apply(lambda x: x.max()+x.min(), axis=1)
0 13
1 5
2 12
dtype: int64